什么是RoutineLoad,基本原理是什么,有哪些常见问题_开源大数据平台 E-MapReduce(EMR)-阿里云帮助中心

Routine Load是一种例行导入方式，StarRocks通过该方式支持从Kafka持续不断的导入数据，并且支持通过SQL控制导入任务的暂停、重启和停止。本文为您介绍Routine Load导入的基本原理、导入示例以及常见问题。

基本概念

RoutineLoadJob：提交的一个例行导入任务。
JobScheduler：例行导入任务调度器，用于调度和拆分一个RoutineLoadJob为多个Task。
Task：RoutineLoadJob被JobScheduler根据规则拆分的子任务。
TaskScheduler：任务调度器，用于调度Task的执行。

基本原理

Routine Load的导入流程如下图。

导入流程如下：

用户通过支持MySQL协议的客户端向FE提交一个Kafka导入任务。
FE将一个导入任务拆分成若干个Task，每个Task负责导入指定的一部分数据。
每个Task被分配到指定的BE上执行。在BE上，一个Task被视为一个普通的导入任务，通过Stream Load的导入机制进行导入。
BE导入完成后，向FE汇报。
FE根据汇报结果，继续生成后续新的Task，或者对失败的Task进行重试。
FE会不断的产生新的Task，来完成数据不间断的导入。

说明本文图片和部分内容来源于开源StarRocks的从Apache Kafka持续导入。

导入流程

环境要求

支持访问无认证或使用SSL方式认证的Kafka集群。
支持的消息格式如下：
- CSV文本格式，每一个message为一行，且行尾不包含换行符。
- JSON文本格式。
不支持Array类型。
仅支持Kafka 0.10.0.0及以上版本。

创建导入任务

语法

CREATE ROUTINE LOAD <database>.<job_name> ON <table_name>
    [COLUMNS TERMINATED BY "column_separator" ,]
    [COLUMNS (col1, col2, ...) ,]
    [WHERE where_condition ,]
    [PARTITION (part1, part2, ...)]
    [PROPERTIES ("key" = "value", ...)]
    FROM [DATA_SOURCE]
    [(data_source_properties1 = 'value1',
    data_source_properties2 = 'value2',
    ...)]

相关参数描述如下表所示。


参数	是否必填	描述
job_name	是	导入任务的名称，前缀可以携带导入数据库名称，常见命名方式为时间戳+表名。一个DataBase内，任务名称不可重复。
table_name	是	导入的目标表的名称。
COLUMNS TERMINATED子句	否	指定源数据文件中的列分隔符，分隔符默认为\t。
COLUMNS子句	否	指定源数据中列和表中列的映射关系。映射列：例如，目标表有三列col1、col2和col3，源数据有4列，其中第1、2、4列分别对应col2、col1和col3，则书写为`COLUMNS (col2, col1, temp, col3)`，其中temp列为不存在的一列，用于跳过源数据中的第三列。衍生列：除了直接读取源数据的列内容之外，StarRocks还提供对数据列的加工操作。例如，目标表后加入了第四列col4，其结果由col1 + col2产生，则可以书写为`COLUMNS (col2, col1, temp, col3, col4 = col1 + col2)`。
WHERE子句	否	指定过滤条件，可以过滤掉不需要的行。过滤条件可以指定映射列或衍生列。例如，只导入k1大于100并且k2等于1000的行，则书写为`WHERE k1 > 100 and k2 = 1000`。
PARTITION子句	否	指定导入目标表的Partition。如果不指定，则会自动导入到对应的Partition中。
PROPERTIES子句	否	指定导入任务的通用参数。
desired_concurrent_number	否	导入并发度，指定一个导入任务最多会被分成多少个子任务执行。必须大于0，默认值为3。
max_batch_interval	否	每个子任务的最大执行时间。范围为5~60，单位是秒。默认值为10。 1.15版本后，该参数表示子任务的调度时间，即任务多久执行一次。任务的消费数据时间为fe.conf中的routine_load_task_consume_second，默认为3s。任务的执行超时时间为fe.conf中的routine_load_task_timeout_second，默认为15s。
max_batch_rows	否	每个子任务最多读取的行数。必须大于等于200000。默认值为200000。 1.15版本后，该参数只用于定义错误检测窗口范围，窗口的范围是10 * max-batch-rows。
max_batch_size	否	每个子任务最多读取的字节数。单位为字节，范围是100 MB到1 GB。默认值为100 MB。 1.15版本后，废弃该参数，任务消费数据的时间为fe.conf中的routine_load_task_consume_second，默认为3s。
max_error_number	否	采样窗口内，允许的最大错误行数。必须大于等于0。默认是0，即不允许有错误行。重要被WHERE条件过滤掉的行不算错误行。
strict_mode	否	是否开启严格模式，默认为开启。如果开启后，非空原始数据的列类型变换为NULL，则会被过滤。关闭方式为设置该参数为false。
timezone	否	指定导入任务所使用的时区。默认为使用Session的timezone参数。该参数会影响所有导入涉及的和时区有关的函数结果。
DATA_SOURCE	是	指定数据源，请使用KAFKA。
data_source_properties	否	指定数据源相关的信息。包括以下参数： kafka_broker_list：Kafka的Broker连接信息，格式为`ip:host`。多个Broker之间以逗号（,）分隔。 kafka_topic：指定待订阅的Kafka的Topic。说明如果指定数据源相关的信息，则kafka_broker_list和kafka_topic必填。 kafka_partitions和kafka_offsets：指定需要订阅的Kafka Partition，以及对应的每个Partition的起始offset。 property：Kafka相关的属性，功能等同于Kafka Shell中`"--property"`参数。创建导入任务更详细的语法可以通过执行`HELP ROUTINE LOAD;` 命令查看。

示例

通过如下语句，向StarRocks提交一个Routine Load导入任务example_tbl2_ordertest2，持续消费Kafka集群中Topic ordertest2的消息，并导入至example_tbl2表中，导入任务会从此Topic所指定分区的最早位点开始消费。

CREATE ROUTINE LOAD load_test.example_tbl2_ordertest ON example_tbl
COLUMNS(commodity_id, customer_name, country, pay_time, price, pay_dt=from_unixtime(pay_time, '%Y%m%d'))
PROPERTIES
(
    "desired_concurrent_number"="5",
    "format" ="json",
    "jsonpaths" ="[\"$.commodity_id\",\"$.customer_name\",\"$.country\",\"$.pay_time\",\"$.price\"]"
 )
FROM KAFKA
(
    "kafka_broker_list" ="<kafka_broker1_ip>:<kafka_broker1_port>,<kafka_broker2_ip>:<kafka_broker2_port>",
    "kafka_topic" = "ordertest2",
    "kafka_partitions" ="0,1,2,3,4",
    "property.kafka_default_offsets" = "OFFSET_BEGINNING"
);

查看任务状态

显示load_test下，所有的例行导入任务（包括已停止或取消的任务）。结果为一行或多行。
```
USE load_test;
SHOW ALL ROUTINE LOAD \G;
```
显示load_test下，名称为example_tbl2_ordertest的当前正在运行的例行导入任务。
```
SHOW ROUTINE LOAD FOR load_test.example_tbl2_ordertest \G;
```
在EMR StarRocks Manager控制台，单击元数据管理，单击待查看的数据库名称，单击任务，即可在Kafka导入页签查看任务的执行状态。

重要 StarRocks只能查看当前正在运行中的任务，已结束和未开始的任务无法查看。

执行SHOW ALL ROUTINE LOAD命令，可以查看当前正在运行的所有Routine Load任务，返回如下类似信息。

*************************** 1. row ***************************

                  Id: 14093
                Name: routine_load_wikipedia
          CreateTime: 2020-05-16 16:00:48
           PauseTime: N/A
             EndTime: N/A
              DbName: default_cluster:load_test
           TableName: routine_wiki_edit
               State: RUNNING
      DataSourceType: KAFKA
      CurrentTaskNum: 1
       JobProperties: {"partitions":"*","columnToColumnExpr":"event_time,channel,user,is_anonymous,is_minor,is_new,is_robot,is_unpatrolled,delta,added,deleted","maxBatchIntervalS":"10","whereExpr":"*","maxBatchSizeBytes":"104857600","columnSeparator":"','","maxErrorNum":"1000","currentTaskConcurrentNum":"1","maxBatchRows":"200000"}
DataSourceProperties: {"topic":"starrocks-load","currentKafkaPartitions":"0","brokerList":"localhost:9092"}
    CustomProperties: {}
           Statistic: {"receivedBytes":150821770,"errorRows":122,"committedTaskNum":12,"loadedRows":2399878,"loadRowsRate":199000,"abortedTaskNum":1,"totalRows":2400000,"unselectedRows":0,"receivedBytesRate":12523000,"taskExecuteTimeMs":12043}
            Progress: {"0":"13634667"}
ReasonOfStateChanged:
        ErrorLogUrls: http://172.26.**.**:9122/api/_load_error_log?file=__shard_53/error_log_insert_stmt_47e8a1d107ed4932-8f1ddf7b01ad2fee_47e8a1d107ed4932_8f1ddf7b01ad2fee, http://172.26.**.**:9122/api/_load_error_log?file=__shard_54/error_log_insert_stmt_e0c0c6b040c044fd-a162b16f6bad53e6_e0c0c6b040c044fd_a162b16f6bad53e6, http://172.26.**.**:9122/api/_load_error_log?file=__shard_55/error_log_insert_stmt_ce4c95f0c72440ef-a442bb300bd743c8_ce4c95f0c72440ef_a442bb300bd743c8
            OtherMsg:
1 row in set (0.00 sec)

本示例创建名为routine_load_wikipedia的导入任务，相关参数描述如下表。


参数	描述
State	导入任务状态。RUNNING表示该导入任务处于持续运行中。
Statistic	进度信息，记录了从创建任务开始后的导入信息。
receivedBytes	接收到的数据大小，单位是Byte。
errorRows	导入错误行数。
committedTaskNum	FE提交的Task数。
loadedRows	已导入的行数。
loadRowsRate	导入数据速率，单位是行每秒（row/s）。
abortedTaskNum	BE失败的Task数。
totalRows	接收的总行数。
unselectedRows	被WHERE条件过滤的行数。
receivedBytesRate	接收数据速率，单位是Bytes/s。
taskExecuteTimeMs	导入耗时，单位是ms。
ErrorLogUrls	错误信息日志，可以通过URL看到导入过程中的错误信息。

暂停导入任务

使用PAUSE语句后，此时导入任务进入PAUSED状态，数据暂停导入，但任务未终止，可以通过RESUME语句重启任务。

PAUSE ROUTINE LOAD FOR <job_name>;

暂停导入任务后，任务的State变更为PAUSED，Statistic和Progress中的导入信息停止更新。此时，任务并未终止，通过SHOW ROUTINE LOAD语句可以看到已经暂停的导入任务。

恢复导入任务

使用RESUME语句后，任务会短暂的进入NEED_SCHEDULE状态，表示任务正在重新调度，一段时间后会重新恢复至RUNNING状态，继续导入数据。

RESUME ROUTINE LOAD FOR <job_name>;

停止导入任务

使用STOP语句让导入任务进入STOP状态，数据停止导入，任务终止，无法恢复数据导入。

STOP ROUTINE LOAD FOR <job_name>;

停止导入任务后，任务的State变更为STOPPED，Statistic和Progress中的导入信息再也不会更新。此时，通过SHOW ROUTINE LOAD语句无法看到已经停止的导入任务。 stop

最佳实践案例

本案例是创建了一个Routine Load导入任务，持续不断地消费Kafka集群的CSV格式的数据，然后导入至StarRocks中。

在Kafka集群中执行以下操作。

创建测试的topic。

kafka-topics.sh --create  --topic order_sr_topic --replication-factor 3 --partitions 10 --bootstrap-server "core-1-1:9092,core-1-2:9092,core-1-3:9092"

执行如下命令，Kafka的生产者。

kafka-console-producer.sh  --broker-list core-1-1:9092 --topic order_sr_topic

执行以下命令，输入测试数据。

2020050802,2020-05-08,Johann Georg Faust,Deutschland,male,895
2020050802,2020-05-08,Julien Sorel,France,male,893
2020050803,2020-05-08,Dorian Grey,UK,male,1262
2020050901,2020-05-09,Anna Karenina",Russia,female,175
2020051001,2020-05-10,Tess Durbeyfield,US,female,986
2020051101,2020-05-11,Edogawa Conan,japan,male,8924

在StarRocks集群中执行以下操作。

执行以下命令，创建目标数据库和数据表。

根据CSV数据中需要导入的几列（例如除第五列性别外的其余五列需要导入至StarRocks），在StarRocks集群的目标数据库load_test 中创建表routine_load_tbl_csv。

CREATE TABLE load_test.routine_load_tbl_csv (
    `order_id` bigint NOT NULL COMMENT "订单编号",
    `pay_dt` date NOT NULL COMMENT "支付日期",
    `customer_name` varchar(26) NULL COMMENT "顾客姓名",
    `nationality` varchar(26) NULL COMMENT "国籍",
    `price`double NULL COMMENT "支付金额"
)
ENGINE=OLAP
PRIMARY KEY (order_id,pay_dt)
DISTRIBUTED BY HASH(`order_id`) BUCKETS 5;

执行以下命令，创建导入任务。

CREATE ROUTINE LOAD load_test.routine_load_tbl_ordertest_csv ON routine_load_tbl_csv
COLUMNS TERMINATED BY ",",
COLUMNS (order_id, pay_dt, customer_name, nationality, temp_gender, price)
PROPERTIES
(
    "desired_concurrent_number" = "5"
)
FROM KAFKA
(
    "kafka_broker_list" ="192.168.**.**:9092,192.168.**.**:9092,192.168.**.**:9092",
    "kafka_topic" = "order_sr_topic",
    "kafka_partitions" ="0,1,2,3,4",
    "property.kafka_default_offsets" = "OFFSET_BEGINNING"
)

执行以下命令，查看名称为routine_load_tbl_ordertest_csv的导入任务的信息。
```
SHOW ROUTINE LOAD FOR routine_load_tbl_ordertest_csv \G;
```
如果状态为RUNNING，则说明作业运行正常。
执行以下命令，查询目标表中的数据，您会发现数据已经同步完成。
您还可以任务进行以下操作：
- 暂停导入任务
```
PAUSE ROUTINE LOAD FOR routine_load_tbl_ordertest_csv;
```
- 恢复导入任务
```
RESUME ROUTINE LOAD FOR routine_load_tbl_ordertest_csv;
```
- 修改导入任务
  说明仅支持修改状态为PAUSED的任务。
  例如：修改desired_concurrent_number为6。
  ALTER ROUTINE LOAD FOR routine_load_tbl_ordertest_csv PROPERTIES ( "desired_concurrent_number" = "6" )
- 停止导入任务
```
STOP ROUTINE LOAD FOR routine_load_tbl_ordertest_csv;
```